Utilize este identificador para referenciar este registo:
http://hdl.handle.net/10071/21762
Registo completo
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor | Curto, José Joaquim Dias | - |
dc.contributor.author | Hasanbas, Ersin | - |
dc.date.accessioned | 2021-02-02T09:44:23Z | - |
dc.date.available | 2021-02-02T09:44:23Z | - |
dc.date.issued | 2020-12-18 | - |
dc.date.submitted | 2020-11 | - |
dc.identifier.citation | HASANBAS, Ersin - Markovian model for forecasting financial time series [Em linha]. Lisboa: Iscte, 2020. Dissertação de mestrado. [Consult. Dia Mês Ano] Disponível em www:<http://hdl.handle.net/10071/21762>. | pt-PT |
dc.identifier.uri | http://hdl.handle.net/10071/21762 | - |
dc.description.abstract | The study aims to create a Markovian model for forecasting financial time series and measure its effectiveness on stock prices. In the study, the new forecaster was inspired by several machine learning techniques and included statistical approaches and conditional probabilities. Namely, Markov Chains and Hidden Markov Chains are the main inspiration for machine learning techniques. To be able to process time series with Markov Chains like algorithm, new transformation developed with the usage of daily stock prices. Thirteen years of daily stock prices have been used for the data feed. For measuring the effectiveness of a new predictor, the obtaıned results are compared with conventional methods such as ARIMA, linear regression, decision tree regression and support vector regression predictions. The comparisons presented are based on Mean Absolute Percentage Error (MAPE) and Root Mean Square Error ( RMSE). According to the achieved results, the new predictor performs better than decision tree regression, and ARIMA performs best among them. | por |
dc.description.abstract | O estudo tem como objectivo criar um modelo markoviano para a previsão de séries temporais e medir a eficácia deste nas previsões de preços das ações. No estudo, o novo previsor foi inspirado em várias técnicas de aprendizagem de máquinas e incluiu abordagens estatísticas e probabilidades condicionais. Ou seja, as cadeias de Markov são a principal inspiração das técnicas para a aprendizagem das máquinas. Para ser capaz de processar séries temporais com algorítmo do tipo Cadeias de Markov, a nova técnica é desenvolvida com base em preços diários e ações. Foram considerados treze anos de preços diários de ações para teste dos modelos. Para medir a eficácia do novo previsor, foram obtidos resultados comparados com métodos convencionais, como os modelos ARIMA, a regressão linear, a regressão a partir da árvore de decisão. Esta comparação foi efetuada com base no Erro Absoluto Médio Percentual (MAPE) e na Raiz do Erro Quadrático Médio (RMSE). De acordo com os resultados obtidos, o novo previsor tem melhor desempenho do que a regressão da árvore de decisão, e o ARIMA tem o melhor desempenho entre eles. | por |
dc.language.iso | eng | por |
dc.rights | openAccess | por |
dc.subject | Time series | por |
dc.subject | Machine learning | por |
dc.subject | Cadeia de Markov -- Markov Chain | por |
dc.subject | Forecasting | por |
dc.subject | Séries temporais | por |
dc.subject | Aprendizagem das máquinas | por |
dc.subject | Previsão | por |
dc.title | Markovian model for forecasting financial time series | por |
dc.type | masterThesis | por |
dc.peerreviewed | yes | por |
dc.identifier.tid | 202577015 | por |
dc.subject.fos | Domínio/Área Científica::Ciências Sociais::Economia e Gestão | por |
thesis.degree.name | Mestrado em Gestão de Empresas | por |
dc.subject.apa | 2240 | - |
dc.subject.apa | 4100 | - |
dc.subject.apa1 | 2200 Psychometrics, statistics and methodology | - |
dc.subject.apa1 | 4100 Cognitive psychology and intelligent systems | - |
Aparece nas coleções: | T&D-DM - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Master_Ersin_Hasanbas.pdf | 3,44 MB | Adobe PDF | Ver/Abrir |
Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.